智能建站系统免费版,wordpress 打开速度,一个空间放两个网站,wordpress主题屋1. 随机森林超参数 极其重要的三个超参数是必须要调整的#xff0c;一般再加上两到三个其他超参数进行优化即可。 2. 学习曲线确定n_estimators搜索范围 首先导入必要的库#xff0c;使用sklearn自带的房价预测数据集#xff1a;
import numpy as np
import pandas as pd
f…1. 随机森林超参数 极其重要的三个超参数是必须要调整的一般再加上两到三个其他超参数进行优化即可。 2. 学习曲线确定n_estimators搜索范围 首先导入必要的库使用sklearn自带的房价预测数据集
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_california_housing
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_validate
import matplotlib.pyplot as plt
housing fetch_california_housing()
# 特征数据
X housing.data[:, [0, 1, 2, 3, 4, 5, 6, 7]]
# 目标变量房价
y housing.target 初始化以及5折交叉验证计算RMSE
trainRMSE np.array([])
testRMSE np.array([])
trainSTD np.array([])
testSTD np.array([])Option range(5,101,5)
for n_estimators in Option :reg_f RandomForestRegressor(n_estimatorsn_estimators, random_state1412)# 交叉验证输出结果cv KFold(n_splits5,shuffleTrue,random_state1412)result_f cross_validate(reg_f,X,y,cvcv,scoringneg_mean_squared_error,return_train_scoreTrue,n_jobs-1)# 根据输出的MSE进行RMSE计算train abs(result_f[train_score])**0.5test abs(result_f[test_score])**0.5trainRMSE np.append(trainRMSE,train.mean())testRMSE np.append(testRMSE,test.mean())trainSTD np.append(trainSTD,train.std())testSTD np.append(testSTD,test.std()) 定义绘图函数
def plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD) :xaxis Option# RMSEplt.plot(xaxis, trainRMSE,colork,labelRandomForestTrain)plt.plot(xaxis, testRMSE, colorred, labelRandomForestTest)# 将标准差围绕在RMSE旁边区间越大表示模型越不稳定plt.plot(xaxis, trainRMSE trainSTD, colork, linestyledotted)plt.plot(xaxis, trainRMSE - trainSTD, colork, linestyledotted)plt.plot(xaxis, testRMSE testSTD, colorred, linestyledotted)plt.plot(xaxis, testRMSE - testSTD, colorred, linestyledotted)plt.xticks([*xaxis])plt.legend(loc1)plt.xlabel(n_estimators)plt.ylabel(RMSE)plt.title(Learning Curve)plt.show()plotCVresult(Option,trainRMSE,testRMSE,trainSTD,testSTD) 输出结果如下 3. 使用Tree模块判断max_depth搜索范围 只需在输出的最小值和最大值之间进行搜索即可。
reg_f RandomForestRegressor(n_estimators100,random_state1412)
reg_f reg_f.fit(X,y)
d pd.Series([],dtypeint64)
for idx,t in enumerate(reg_f.estimators_) :d[idx] t.tree_.max_depth
print(决策树的最大深度的最小值为,d.min())
print(决策树的最大深度的最大值为,d.max()) 输出结果为 4. 使用Tree模块判断min_weight_fraction_leaf搜索范围
reg_f RandomForestRegressor(n_estimators100,random_state1412)
reg_f reg_f.fit(X,y)
n pd.Series([],dtypeint64)
for idx,t in enumerate(reg_f.estimators_) :n[idx] t.tree_.weighted_n_node_samples
meann np.zeros(20)
for i in range(0,20) :meann[i] n[i].mean()
print(决策树分枝所需最小样本权重的最小值为,meann.min())
print(决策树分枝所需最小样本权重的最大值为,meann.max())
print(决策树分枝所需最小样本权重的平均值为,meann.mean()) 输出结果为 5. 使用Tree模块判断min_sample_split搜索范围
reg_f RandomForestRegressor(n_estimators20,random_state1412)
reg_f reg_f.fit(X,y)
s pd.Series([],dtypeint64)
for idx,t in enumerate(reg_f.estimators_) :s[idx] t.tree_.n_node_samples
meann np.zeros(20)
for i in range(0,20) :meann[i] s[i].mean()
print(决策树需要最小样本的最小值为,meann.min())
print(决策树需要最小样本的最大值为,meann.max())
print(决策树需要最小样本的平均值为,meann.mean()) 输出结果为
